Carpartsセグメンテーションデータセット#

3,833

Carparts-Seg

ultralytics

publicSegment

Carparts-Seg contains automotive images with instance masks for 23 exterior parts, including bumpers, doors, glass, lights, mirrors, hood, trunk, tailgate, and wheels. It supports vehicle-part inspection, damage analysis, repair estimation, and visual inventory.

23 classes247.1 MBSep 2, 2026

back_bumperback_doorback_glassback_left_door+19

instance-segmentationautomotivecar-parts+1

Ultralytics Carpartsセグメンテーションデータセットは、バンパー、ドア、ライト、ミラー、ボンネット、トランクなど、23種類の自動車部品クラスにわたる3,833枚のアノテーション付き画像を提供し、自動車のコンピュータービジョンタスク向けのインスタンスセグメンテーションモデルのトレーニングに利用できます。複数の視点から撮影され、ピクセルレベルのマスクでアノテーションされたこのデータセットは、Ultralytics YOLOと直接連携し、自動車の品質管理や自動車修理から、保険請求時の損傷評価、自動運転車の認識まで、幅広いユースケースに対応します。

データセットの構成#

Carpartsセグメンテーションデータセットは、3,833枚の画像を次のように分割しています。

• トレーニングセット: ディープラーニングモデルのトレーニングに使用する3,156枚の画像です。
• 検証セット: トレーニング中にハイパーパラメーターを調整し、検証データへの過学習を防ぐために使用する401枚の画像です。
• テストセット: トレーニング後、保持しておいたテストデータでモデルを評価するために使用する276枚の画像です。
• クラス: 合計23クラスです。22種類の名前付き自動車部品カテゴリ（バンパー、ドア、ライト、ガラス、ミラー、ボンネット、テールゲート、トランク、ホイール）に加え、これらのカテゴリに該当しない部品用の包括的なobjectクラスがあります。
• ダウンロードサイズ: ~133 MBです。

アプリケーション#

Carpartsセグメンテーションは、次のようなさまざまな分野で活用できます。

• 自動車の品質管理: 製造中の自動車部品の欠陥やばらつきを特定します（製造業におけるAI）。
• 自動車修理: 修理または交換が必要な部品の特定を整備士に支援します。
• Eコマースの商品カタログ作成: Eコマースプラットフォーム向けに、オンラインストアの自動車部品へ自動的にタグ付けし、分類します。
• 交通監視: 交通監視映像内の車両部品を分析します。
• 自動運転車: 自動運転車が周囲の車両をより適切に理解できるよう、認識システムを強化します。
• 保険処理: 保険請求時に影響を受けた自動車部品を特定し、損傷評価を自動化します。
• リサイクル: 効率的なリサイクルプロセスのために車両部品を仕分けします。
• スマートシティの取り組み: スマートシティにおける都市計画および交通管理システム向けのデータに貢献します。

Carpartsセグメンテーションデータセット全体は、Ultralytics Platformで閲覧および管理することもできます。

データセット YAML#

YAMLファイルは、パス、クラス名、その他の重要な詳細を含むデータセット設定を定義します。Carpartsセグメンテーションデータセットでは、carparts-seg.yamlファイルをhttps://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/carparts-seg.yamlで利用できます。YAML形式の詳細については、yaml.orgを参照してください。

# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license

# Carparts-seg dataset by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/segment/carparts-seg
# Example usage: yolo train data=carparts-seg.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── carparts-seg ← downloads here (133 MB)

# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: carparts-seg # dataset root dir
train: images/train # train images (relative to 'path') 3156 images
val: images/val # val images (relative to 'path') 401 images
test: images/test # test images (relative to 'path') 276 images

# Classes
names:
  0: back_bumper
  1: back_door
  2: back_glass
  3: back_left_door
  4: back_left_light
  5: back_light
  6: back_right_door
  7: back_right_light
  8: front_bumper
  9: front_door
  10: front_glass
  11: front_left_door
  12: front_left_light
  13: front_light
  14: front_right_door
  15: front_right_light
  16: hood
  17: left_mirror
  18: object
  19: right_mirror
  20: tailgate
  21: trunk
  22: wheel

# Download script/URL (optional)
download: https://github.com/ultralytics/assets/releases/download/v0.0.0/carparts-seg.zip

使用方法#

CarpartsセグメンテーションデータセットでUltralytics YOLO26モデルを、画像サイズ640、100エポックでトレーニングするには、次のコードスニペットを使用してください。利用可能な引数の包括的な一覧については、モデルのトレーニングガイドを参照し、ベストプラクティスについてはモデルのトレーニングのヒントをご確認ください。

from ultralytics import YOLO

# Load a pretrained segmentation model like YOLO26n-seg
model = YOLO("yolo26n-seg.pt")  # load a pretrained model (recommended for training)

# Train the model on the Carparts Segmentation dataset
results = model.train(data="carparts-seg.yaml", epochs=100, imgsz=640)

# After training, you can validate the model's performance on the validation set
results = model.val()

# Or perform prediction on new images or videos
results = model.predict("path/to/your/image.jpg")

サンプルデータとアノテーション#

以下は、物体セグメンテーションマスクを重ねて表示したCarpartsセグメンテーションデータセットのサンプル画像です。個々の自動車部品の輪郭とラベル付けの様子を示しています。

このデータセットは、さまざまな場所、照明条件、物体密度を網羅しており、これを使ってトレーニングしたモデルが、実世界のさまざまなシーンに汎化するために必要な範囲のデータに触れられるようになっています。

引用と謝辞#

研究または開発にCarpartsセグメンテーションデータセットを利用する場合は、元のソースを引用してください。

@misc{car-seg-un1pm_dataset,
      title = { car-seg Dataset },
      type = { Open Source Dataset },
      author = { Gianmarco Russo },
      url = { https://universe.roboflow.com/gianmarco-russo-vt9xr/car-seg-un1pm },
      year = { 2023 },
      month = { nov },
      note = { visited on 2024-01-24 },
}

この貴重なデータセットをコンピュータービジョンコミュニティ向けに作成・維持してくださったGianmarco Russo氏とRoboflowチームの貢献に感謝します。その他のデータセットについては、Ultralyticsデータセットコレクションをご覧ください。

FAQ#